CN113555059B - 环境变化下有机碳和微生物耦合关系的定量方法 - Google Patents
环境变化下有机碳和微生物耦合关系的定量方法 Download PDFInfo
- Publication number
- CN113555059B CN113555059B CN202110708840.3A CN202110708840A CN113555059B CN 113555059 B CN113555059 B CN 113555059B CN 202110708840 A CN202110708840 A CN 202110708840A CN 113555059 B CN113555059 B CN 113555059B
- Authority
- CN
- China
- Prior art keywords
- organic carbon
- microorganism
- network
- interaction
- index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 53
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 53
- 230000008859 change Effects 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 39
- 244000005700 microbiome Species 0.000 title claims abstract description 39
- 230000007613 environmental effect Effects 0.000 title claims abstract description 36
- 230000008878 coupling Effects 0.000 title claims abstract description 14
- 238000010168 coupling process Methods 0.000 title claims abstract description 14
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 14
- 230000003993 interaction Effects 0.000 claims abstract description 31
- 230000004044 response Effects 0.000 claims abstract description 10
- 238000011002 quantification Methods 0.000 claims abstract description 4
- 235000015097 nutrients Nutrition 0.000 claims description 10
- 150000003839 salts Chemical class 0.000 claims description 10
- 230000000813 microbial effect Effects 0.000 claims description 9
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000012636 effector Substances 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000004962 physiological condition Effects 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 241000736262 Microbiota Species 0.000 claims description 2
- 238000012258 culturing Methods 0.000 claims description 2
- 238000004896 high resolution mass spectrometry Methods 0.000 claims description 2
- 108090000623 proteins and genes Proteins 0.000 claims description 2
- 238000012352 Spearman correlation analysis Methods 0.000 claims 1
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 5
- 230000007246 mechanism Effects 0.000 abstract description 5
- 238000004445 quantitative analysis Methods 0.000 abstract description 2
- 238000013179 statistical model Methods 0.000 abstract 1
- 239000013049 sediment Substances 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 229910002651 NO3 Inorganic materials 0.000 description 2
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 2
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012165 high-throughput sequencing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 108020004465 16S ribosomal RNA Proteins 0.000 description 1
- 238000007400 DNA extraction Methods 0.000 description 1
- 238000004252 FT/ICR mass spectrometry Methods 0.000 description 1
- 229920000426 Microplastic Polymers 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- 229930002868 chlorophyll a Natural products 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 230000009916 joint effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 239000002957 persistent organic pollutant Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Bioethics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了环境变化下有机碳和微生物耦合关系的定量方法，基于移动窗口法划分全球变化因子为连续窗口，在每个窗口中通过统计模型分析建立有机碳分子组成和微生物群落组成间的相互作用二分网络，在整个网络（生态系统）水平上计算网络拓扑结构指标，定量有机碳与微生物组成间相互作用；结合零模型计算标准分数，对有机碳‑微生物间相互作用的定量进行标准化；直观描述有机碳‑微生物耦合关系沿环境变化梯度的响应特征。本发明的方法可准确获取不同生态系统和环境变化梯度条件下有机碳‑微生物相互作用网络结构特征的定量比较，发展和阐明全球变化背景下有机碳‑微生物相互作用特征的定量及响应机制。
Description
技术领域
本发明属于微生物生态技术领域，具体涉及环境变化下有机碳和微生物耦合关系的定量方法。
背景技术
全球变化背景下有机碳与微生物的耦合关系及其环境响应机理等基础科学问题是全球变化研究的热点领域。认识环境因子的影响规律及机制能更好地预测未来全球背景下生态系统群落和功能的响应特征。目前，关于群落-功能耦合关系沿环境梯度的变化研究多关注在离散的环境梯度，而对于实测的连续环境梯度无法实现对两者耦合关系沿环境因子梯度变化过程的分析。此外，环境中有机碳分子与微生物物种之间存在十分复杂的利用与被利用的关系，目前还缺乏相关方法从生态系统水平来定量有机碳-微生物之间的耦合关系。
发明内容
本发明的目的在于提供一种环境变化下有机碳和微生物耦合关系的定量方法。
本发明上述目的通过以下技术方案实现：
一种环境变化下有机碳和微生物耦合关系的定量方法，包括如下步骤：
1)采集不同生态条件下的环境样品；
2)选取步骤1)所述不同生态条件表征的全球变化因子或与其相关的全球变化因子用于定量计算；
3)获取每份样品中所述全球变化因子的定量数值，并按照数值大小顺序排列，之后采用移动窗口法将顺序排列的数值划分为一系列连续的窗口；
4)在每个窗口中通过相关分析建立有机碳分子组成和微生物群落组成之间的相互作用网络；
5)基于相互作用网络计算二分网络拓扑结构指标，定量有机碳与微生物组成间相互作用，并结合零模型计算标准分数，对有机碳-微生物间相互作用的定量进行标准化；
6)统计分析标准化定量有机碳-微生物间相互作用网络指标沿环境变化梯度的响应特征。
作为一种优选的实施方式，所述的不同生态条件的环境样品为自然环境样品或置于不同生态条件下培养后的环境样品。所述环境样品在已经包含明确全球变化因子的定量梯度时，可无需不同生态条件下培养处理。
作为一种优选的实施方式，所述用于计算的全球变化因子为温度和营养盐浓度，或两者共同产生的效应变量。全球变化因子还可包括改变生态系统或环境的任何环境变化因子，比如有机污染物排放、微塑料输入、重金属污染等。
作为一种优选的实施方式，所述温度和营养盐浓度两者共同产生的效应变量包括代表初级生产力的变量。
作为一种优选的实施方式，所述有机碳分子组成和微生物群落组成数据通过高分辨质谱技术和高通量测序技术获得。
作为一种优选的实施方式，所述有机碳分子和微生物群落组成间的相互作用网络基于SparCC或Spearman相关分析建立。
作为一种优选的实施方式，基于整体相互作用网络计算二分网络拓扑结构指标，或根据相关系数的正负划分为负相关网络和正相关网络，分别计算二分网络拓扑结构指标。
作为一种优选的实施方式，所述二分网络拓扑结构指标选用连通性和特异性，其表达式如下：
C＝LDq/(r+c) (2)
式中，C为连通度；LDq为连接数密度；bi.和b.j分别为第i个有机碳分子的行和和第j个微生物物种的列和，r为有机碳分子数，c为微生物物种数，b..为两者行列总和；为第i个有机碳分子的多样性，/>为第j个微生物物种的多样性；H2和H′2分别为特异性和标准化的特异性；pij＝aij/b..，qi＝bi·/b..，qj＝b·j/b..；理论上/>H2min为0。
作为一种优选的实施方式，所述结合零模型计算标准分数(z-scores)的表达式如下：
其中，Iobserved为观测的网络指标，和/>分别为零模型计算的网络指标的平均值和标准差。结合零模型计算标准分数可准确获取不同生态系统和环境梯度条件下有机碳-微生物相互作用的结构特征的定量比较。
进一步的，通过随机化数据矩阵的方法生成零模型对网络拓扑结构指标进行标准化。
作为一种优选的实施方式，采用回归分析的方法统计分析标准化定量有机碳-微生物间相互作用网络指标沿环境变化梯度的响应特征。
本发明基于移动窗口法分析连续环境梯度变化下的有机碳-微生物间相互作用的变化，移动窗口法可以设置环境因子范围和变化梯度，有利于直观了解生态系统群落和功能沿连续环境因子梯度规律性的变化过程及其内在影响机理，基于消费者-资源(consumer-resource)理论，建立环境中有机碳分子与微生物物种之间的二分网络，二分网络分析消除了有机碳分子和微生物物种内部间的相互作用的干扰，只关注两者之间的相互作用关系，在每个窗口中通过计算整个网络(生态系统)水平的有机碳与微生物组成间的相互作用网络拓扑结构指标来定量，比如连通性(weighted connectance)和特异性(specialization)等，采用零模型方法进行网络拓扑结构指标标准化，计算获取标准分数(z-scores)。该方法准确获取不同生态系统和环境梯度条件下有机碳-微生物相互作用的结构特征的定量比较，发展和阐明了全球变化背景下有机碳-微生物相互作用特征的定量及响应机制的研究思路。
附图说明
图1是中国(左)和挪威(右)山区每个移动窗口的pH平均值。
图2是应用本发明方法计算得到的中国和挪威山区的网络结构特征如连通度(a)和特异性(b)随pH移动窗口的变化规律。
具体实施方式
下面结合具体实施案例对本发明进行详细描述。
本实施例对太湖的沉积物样品进行野外微宇宙实验，设置5个温度梯度和10个营养盐浓度梯度，研究两个全球变化因子(温度和营养盐)对沉积物有机碳-微生物耦合关系的影响。该研究分别在两个地区(中国老君山和挪威Balggesvarri山)进行，作为两个实证案例予以展示和讨论。
山区海拔可以提供天然的温度梯度，中国山区海拔从低至高分别为2286、2580、2915、3505、3822米，挪威山区海拔从低至高分别为20、170、350、550、750米；每个海拔设置10个营养盐梯度，分别为0、0.45、1.80、4.05、7.65、11.25、15.75、21.60、28.80、36.00mg NL-1KNO3，每个营养盐包括3个重复；微宇宙实验体系具体为：在1.5L瓶中加入统一的太湖沉积物和人工湖水，然后加入相应浓度的硝酸盐，进行为期一个月的培养，这一个月中，当地的微生物可在瓶中自由定殖；试验结束后两个山区一共采集300个样品进行有机碳和微生物组成分析，并测定水体温度和pH、沉积物叶绿素含量等。具体实施步骤为：
步骤1、采用移动窗口(moving window)法将全球变化因子划分为一系列连续的窗口。
水体pH与两个全球变化因子(即两个实验设置梯度：温度和硝酸盐浓度)都呈现强的正相关关系，且与沉积物叶绿素a高度正相关，因此，水体pH可以代表初级生产力，并反映了全球变化因子温度和营养盐的共同作用力。通过移动窗口法，首先对水体pH从低至高进行排序，然后划分连续窗口，以每50个样品为一个窗口，步长为1移动，共产生101个窗口，计算每个窗口的平均pH值(图1)。
步骤2、获取有机碳分子组成和微生物群落组成数据。
对沉积物进行DNA提取和溶解性有机碳提取进行细菌16S rRNA基因高通量测序和傅里叶转换回旋共振-气相色谱质谱联用仪(FT-ICRMS)方法获取有机碳分子组成和微生物群落组成数据。
步骤3、基于消费者-资源(consumer-resource)理论，在每个窗口中通过SparCC相关分析建立有机碳分子组成和微生物群落组成之间的相互作用网络，如表1所示。表1是有机碳分子-微生物物种相互关系矩阵，其中，r为有机碳分子数，c为微生物物种数，aij为第i个有机碳分子和第j个微生物物种之间的相关系数；bi·和b.j分别为第i个有机碳分子的行和和第j个微生物物种的列和，b..为两者行列总和。
表1
步骤4、计算每个窗口的网络(生态系统)水平的拓扑结构指标。本实施例中计算连通性(weighted connectance)和特异性(specialization)指标，其表达式如下：
C＝LDq/(r+c) (2)
公式(2)中C为连通度，由公式(1)连接数密度LDq计算得来，其中，bi.和b·j分别为第i个有机碳分子的行和和第j个微生物物种的列和，b..为两者行列总和(表1)； 为第i个有机碳分子的多样性，/>为第j个微生物物种的多样性。公式(3)和(4)分别为特异性和标准化的特异性；pij＝aij/b..，qi＝bi./b..，qj＝b.j/b..；理论上H2max为/>H2min为0。
为了准确获取不同海拔和营养盐梯度条件下有机碳-微生物相互作用的结构特征的定量比较，将网络拓扑结构指标采用shuffle.web零模型方法进行标准化，计算获取标准分数(z-scores)，其表达式如下：
其中，Iobserved为观测的网络指标，和/>分别为零模型计算的网络指标的平均值和标准差。
步骤5、采用回归分析的方法统计分析标准化定量有机碳-微生物间相互作用网络指标沿环境变化梯度的响应特征。
根据本发明方法，计算得到的中国和挪威两个地区标准化连通度和特异性随pH移动窗口的变化规律，如图2所示。两个地区结果较一致，且和理论分析相符，比如，特异性在中间pH时最低，而在较低或较高pH时特异性较高，因为这两种条件下，对应的初级生产力很低或很高，微生物底物供给不足或者易降解有机碳充足，使得有机碳和微生物之间的关系具有更高的特异性。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。
Claims (9)
1.一种环境变化下有机碳和微生物耦合关系的定量方法，其特征在于，包括如下步骤：
1）采集不同生态条件下的环境样品；
2）选取步骤1）所述不同生态条件表征的全球变化因子或与其相关的全球变化因子用于定量计算；
3）获取每份样品中所述全球变化因子的定量数值，并按照数值大小顺序排列，之后采用移动窗口法将顺序排列的数值划分为一系列连续的窗口；
4）在每个窗口中通过相关分析建立有机碳分子组成和微生物群落组成之间的相互作用网络；
5）基于相互作用网络计算二分网络拓扑结构指标，定量有机碳与微生物组成间相互作用，并结合零模型计算标准分数，对有机碳-微生物间相互作用的定量进行标准化；
所述二分网络拓扑结构指标选用连通性和特异性，其表达式如下：
= />（1）
C =（2）
= -/>（3）
= />（4）
式中，C为连通度；为连接数密度；/>和/>分别为第i个有机碳分子的行和和第j个微生物物种的列和，r为有机碳分子数，c为微生物物种数，/>为两者行列总和；/> = -/>，为第i个有机碳分子的多样性，/> = -/>，为第j个微生物物种的多样性；/>和分别为特异性和标准化的特异性；/>，/>，/>；aij为第i个有机碳分子和第j个微生物物种之间的相关系数；理论上/>=-/>，/>为0；
6）统计分析标准化定量有机碳-微生物间相互作用网络指标沿环境变化梯度的响应特征。
2.根据权利要求1所述的方法，其特征在于，所述的不同生态条件的环境样品为自然环境样品或置于不同生态条件下培养后的环境样品。
3.根据权利要求1所述的方法，其特征在于，所述用于定量计算的全球变化因子为温度和/或营养盐浓度，或两者共同产生的效应变量；所述温度和营养盐浓度两者共同产生的效应变量包括代表初级生产力的变量。
4.根据权利要求1所述的方法，其特征在于，所述有机碳分子组成和微生物群落组成数据通过高分辨质谱技术和高通量基因测序技术获得。
5.根据权利要求1所述的方法，其特征在于，所述有机碳分子和微生物群落组成间的相互作用网络基于SparCC或Spearman相关分析建立。
6.根据权利要求1所述的方法，其特征在于，基于整体相互作用网络计算二分网络拓扑结构指标，或根据相关系数的正负划分为负相关网络和正相关网络，分别计算二分网络拓扑结构指标。
7.根据权利要求1所述的方法，其特征在于，所述结合零模型计算标准分数的表达式如下：
z = ()/(/>)（5）
其中，为观测的网络指标，/>和/>分别为零模型计算的网络指标的平均值和标准差。
8.根据权利要求7所述的方法，其特征在于，通过随机化数据矩阵的方法生成零模型对网络拓扑结构指标进行标准化。
9.根据权利要求1所述的方法，其特征在于，采用回归分析的方法统计分析标准化定量有机碳-微生物间相互作用网络指标沿环境变化梯度的响应特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110708840.3A CN113555059B (zh) | 2021-06-25 | 2021-06-25 | 环境变化下有机碳和微生物耦合关系的定量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110708840.3A CN113555059B (zh) | 2021-06-25 | 2021-06-25 | 环境变化下有机碳和微生物耦合关系的定量方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113555059A CN113555059A (zh) | 2021-10-26 |
| CN113555059B true CN113555059B (zh) | 2024-02-02 |
Family
ID=78102380
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110708840.3A Active CN113555059B (zh) | 2021-06-25 | 2021-06-25 | 环境变化下有机碳和微生物耦合关系的定量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113555059B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115575363B (zh) * | 2022-09-27 | 2023-06-13 | 北京航空航天大学 | 一种获取生态影响机制的方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108473943A (zh) * | 2015-08-24 | 2018-08-31 | 努比约塔有限公司 | 用于从目标细菌系统中富集菌株的系统和方法 |
| CN108472506A (zh) * | 2015-12-09 | 2018-08-31 | 优比欧迈公司 | 用于表征艰难梭菌相关病症的方法和系统 |
| CN109187922A (zh) * | 2018-09-10 | 2019-01-11 | 西北农林科技大学 | 植被恢复中微生物群落结构与有机碳响应关系的研究方法 |
| CN109852663A (zh) * | 2019-04-02 | 2019-06-07 | 天津科技大学 | 一种基于机器视觉高通量筛选微生物的方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5028847B2 (ja) * | 2006-04-21 | 2012-09-19 | 富士通株式会社 | 遺伝子間相互作用ネットワーク分析支援プログラム、該プログラムを記録した記録媒体、遺伝子間相互作用ネットワーク分析支援方法、および、遺伝子間相互作用ネットワーク分析支援装置 |
| US20120149584A1 (en) * | 2009-08-21 | 2012-06-14 | Bernat Olle | Methods of diagnosing and treating microbiome-associated disease using interaction network parameters |
| US20140363397A1 (en) * | 2011-09-14 | 2014-12-11 | Queen's University At Kingston | Method for treatment of disorders of the gastrointestinal system |
| WO2019113499A1 (en) * | 2017-12-07 | 2019-06-13 | The Broad Institute, Inc. | High-throughput methods for identifying gene interactions and networks |
-
2021
- 2021-06-25 CN CN202110708840.3A patent/CN113555059B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108473943A (zh) * | 2015-08-24 | 2018-08-31 | 努比约塔有限公司 | 用于从目标细菌系统中富集菌株的系统和方法 |
| CN108472506A (zh) * | 2015-12-09 | 2018-08-31 | 优比欧迈公司 | 用于表征艰难梭菌相关病症的方法和系统 |
| CN109187922A (zh) * | 2018-09-10 | 2019-01-11 | 西北农林科技大学 | 植被恢复中微生物群落结构与有机碳响应关系的研究方法 |
| CN109852663A (zh) * | 2019-04-02 | 2019-06-07 | 天津科技大学 | 一种基于机器视觉高通量筛选微生物的方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| Miseq 测序分析活性污泥系统中细菌群落的动态变化;闻韵等;环境工程学报;第9卷(第11期);5225-5230 * |
| Nonlinear alignment of chromatograms by means of moving window fast Fourier transfrom cross-correlation;Zhong Li等;Journal of Separation Science;第36卷(第9-10期);1677 - 1684 * |
| Soumen K. Maiti等.Real time phase detection based online monitoring of batch fermentation processes.Process Biochemistry.2009,第44卷(第8期),799–811. * |
| 太湖沉积物一水界面生源要素迁移机制及定量化‘ 一2.磷释放的热力学机制及源一汇转换;范成新等;湖泊科学;第18卷(第3期);207一217 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113555059A (zh) | 2021-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tian et al. | Soil organic matter availability and climate drive latitudinal patterns in bacterial diversity from tropical to cold temperate forests | |
| Fuhrman et al. | Marine microbial community dynamics and their ecological interpretation | |
| Buzzard et al. | Continental scale structuring of forest and soil diversity via functional traits | |
| Mele et al. | Application of self-organizing maps for assessing soil biological quality | |
| Wilderer et al. | Modern scientific methods and their potential in wastewater science and technology | |
| EP2694669B1 (en) | Methods for making or creating a synthetic microbial consortium identified by computational analysis of amplicon sequences | |
| CN113658640B (zh) | 一种淡水生态系统健康评价方法 | |
| Jakobsen et al. | Estimating time series phytoplankton carbon biomass: inter-lab comparison of species identification and comparison of volume-to-carbon scaling ratios | |
| Xu et al. | A novel hybrid model for multi-step daily AQI forecasting driven by air pollution big data | |
| CN115116624B (zh) | 基于半监督迁移学习的药物敏感性预测方法和装置 | |
| CN113555059B (zh) | 环境变化下有机碳和微生物耦合关系的定量方法 | |
| CN103822886A (zh) | 生物腐植酸的分析检测及其碳系数的测定方法 | |
| Myrold et al. | Classical techniques versus omics approaches | |
| Guan et al. | Effects of continuous straw returning on soil functional microorganisms and microbial communities | |
| Lin et al. | Environmental DNA metabarcoding revealed the impacts of anthropogenic activities on phytoplankton diversity in Dianchi Lake and its three inflow rivers | |
| Brown et al. | Soil metabolomics-current challenges and future perspectives | |
| Radhakrishnan | Microbial visualization research based on biosensing technology | |
| CN117198397A (zh) | 一种基于变分神经网络的疾病预测方法及系统 | |
| CN116297375A (zh) | 一种气溶胶有机物化学特性和粒径分布的检测方法 | |
| Rainey | How to describe new species of prokaryotes | |
| CN106599608A (zh) | 基于excel vba的生物群落代谢多样性数据分析方法 | |
| CN114841411A (zh) | 一种利用细菌OTUs丰度预测河流水质理化指标的方法 | |
| CN109811044A (zh) | 接种菌剂玉米的根际原核微生物多样性检测方法 | |
| Zhang et al. | Plant property regulates soil bacterial community structure under altered precipitation regimes in a semi-arid desert grassland, China | |
| CN117057405B (zh) | 基于新型激励函数的dna分子学习机方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |